![](/user_photo/2706_HbeT2.jpg)
Лекции_тервер
.pdf![](/html/2706/177/html_lbKRoEtkaT.i5EC/htmlconvd-0e5YJe31x1.jpg)
аддитивность вероятности (аксиома P3), а затем теорему умножения 6.3,
∑ |
i∑ |
∞ |
∞ |
получим требуемый результат P(A) = |
P(A ∩ Hi) = P(Hi) P(A|Hi). |
i=1 |
=1 |
Теорема 7.3 (формулы Байеса12). Пусть H1, H2, . . . – полная группа событий и A — некоторое событие положительной вероятности. Тогда условная вероятность события Hk при условии, что событие A произошло, для любого k вычисляется по формуле
P(Hk)P(A|Hk) P(Hk|A) = ∑∞ .
P(Hi) P(A|Hi)
i=1
Доказательство. По определению условной вероятности имеем
P(Hk|A) = P(A ∩ Hk) P(A)
= |
P(Hk)P(A|Hk) |
, |
∞ |
||
|
i∑ |
|
|
P(Hi) P(A|Hi) |
|
=1 |
|
где последнее равенство следует из теоремы умножения и формулы полной вероятности.
§8. Повторные испытания
Рассмотрим испытание (опыт) M, имеющий конечное пространство, состоящее из m элементарных исходов, заданное рядом распределения
ξ |
ω1 |
ω2 |
. . . |
ωm |
, |
|
P(ξ) |
p1 |
p2 |
. . . |
pm |
||
|
см. опред. 4.5. Примеры таких опытов нам встречались: подбрасывание ломаного гроша, см. прим. 4.6.2); подбрасывание игральной кости или двух костей; подбрасывание выпуклого многогранника, см. прим. 4.6.3). Многие математические модели случайных явлений связаны с опытом, который называется схемой повторных испытаний.
Определение 8.1. Схема повторных испытаний — это новый опыт N, состоящий в последовательном проведении n раз одного и того же испытания M или, что одно и то же, одновременное проведение n одинаковых испытаний M.
12Томас Байес (Reverend Thomas Bayes, 1702 — 1761), английский математик и пресветерианский священник.
31
![](/html/2706/177/html_lbKRoEtkaT.i5EC/htmlconvd-0e5YJe32x1.jpg)
Случай Бернулли m = 2.
При m = 2 испытание M можно интерпретировать как подбрасывание ломаного гроша, а опыт N состоит в подбрасывании ломаного гроша n раз.
Задача о ломаном гроше. Какова вероятность, обозначим её через Pn(k), того что в результате n подбрасываний орёл выпадет k раз (0 ≤ k ≤ n)?
Заметим, что остальные n−k раз выпадет решка. Ясно, что опыт N имеет конечное пространство элементарных событий Ω = {0, 1, 2, . . . , n}, потому что орёл может либо не выпасть ни разу, или выпасть 1 раз, или 2 раза, ... , или n раз. На этот вопрос отвечает следующая теорема.
Теорема 8.2. Для любого k Ω имеет место формула Бернулли
Pn(k) = Cnkpk(1 − p)n−k = Cnkpkqn−k.
Доказательство. Рассмотрим один из благоприятных элементарных исхо-
дов: o, o, ..., o, p, p, ..., p. Через o и p обозначены соответственно появления
| {z } | {z }
k раз n−k раз
орла и решки. Поскольку испытания независимы, то по опред. 5.1 вероятность элементарного исхода, состоящего в том, что первые k раз выпал орёл, и в остальные n − k раз выпадет решка, равна pk(1 − p)n−k.
Другие элементарные исходы, благоприятствующие выпадению k орлов, отличаются от рассмотренного исхода o, o, ..., o, p, p, ..., p лишь перераспре-
|
|
k |
|
|
n |
|
|
|
k раз |
|
|
n−k раз |
|
|
|
|
||||
|
|
|
|
|
|
|
|
существует ровно Ck таких соче- |
||||||||||||
делением |
|
|
орлов на |
|
местах. По теор.|1.6{z |
} |
| |
{z } |
k |
|
n |
|||||||||
таний. Поэтому общее число благоприятные исходов равно |
Cn |
. Вероятность |
||||||||||||||||||
наступления каждого из них равна pk(1 − p)n−k. |
|
|
|
|
|
|
||||||||||||||
Определение 8.3. Опыт, имеющий ряд распределения |
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
k |
|
|
0 |
|
|
1 |
2 |
|
. . . |
|
|
|
k |
|
. . . |
|
n |
|
|
|
Pn(k) |
Cn0p0qn = |
Cn1pqn 1 = |
Cn2p2qn 2 = |
. . . |
|
Cnkpkqn k = |
. . . |
Cnnpn = |
, |
||||||||||
|
|
|
|
= qn |
|
= npqn 1 |
= |
n(n 1) |
p2qn 2 |
. . . |
= |
|
n! |
|
p2qn 2 |
. . . |
|
= pn |
|
|
|
|
|
|
|
k!(n k)! |
|
|
|||||||||||||
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
называется биномиальным распределением.
Название этого распределения связано с тем, что сумма вероятностей из второй строки ряда распределения может быть вычислены по формуле бинома Ньютона, т.е.
n |
|
∑k |
|
Cnk pk qn−k = (p + q)n = 1. |
|
=0 |
|
На рис. 12 показан график биномиального распределения |
P16(k) = |
= C16k · 0, 65k · 0, 3516−k. График является симметричным при p |
= q = 21 . |
Если p > q, то максимум сдвигается вправо, и наоборот. |
|
32
![](/html/2706/177/html_lbKRoEtkaT.i5EC/htmlconvd-0e5YJe33x1.jpg)
Рис. 12: График биномиального распределения при n = 16.
Возникает естественный вопрос. Какое число успехов при n испытаниях наиболее вероятно? Другими словами, при каком k достигается максимум функции Pn(k) = Cnkpkqn−k?
Теорема 8.4. Если в схеме Бернулли вероятность появления орла равна p, то в биномиальном распределении с n испытаниями наиболее вероятным числом орлов является либо
а) единственное число [np + p], если число np + p не целое, здесь [x] означает целую часть числа x, либо
б) два числа np + p и np + p + 1, если число np + p целое.
Доказательство.
Pn(k)
Pn(k − 1)
Видно, что
Сравним отношение чисел Pn(k) и Pn(k − 1) с единицей.
|
Ckpkqn−k |
|
(n |
− |
k + 1)p |
|
np + p |
− |
k |
|
= |
n |
= |
|
|
= 1 + |
|
|
. |
||
Cnk−1pk−1qn−k+1 |
|
|
kq |
kq |
|
|
||||
|
|
|
|
|
|
|
|
1.Pn(k) > Pn(k − 1) при np + p − k > 0, т.е. при k < np + p;
2.Pn(k) < Pn(k − 1) при np + p − k < 0, т.е. при k > np + p;
3.Pn(k) = Pn(k − 1) при np + p − k = 0, что возможно, лишь если np + p
— целое число.
Общий случай m ≥ 3.
При m ≥ 2 испытание M можно интерпретировать как подбрасывание выпуклого многогранника, имеющего m граней, см. прим. 4.6.3). Такое испытание имеет ряд распределения
ξ |
ω1 |
ω2 |
. . . |
ωm |
, |
|
P(ξ) |
p1 |
p2 |
. . . |
pm |
||
|
33
где p1 + p2 + . . . + pn = 1. Опыт N состоит в подбрасывании многогранника n раз (n повторных испытаний).
Задача о многограннике. Какова вероятность, обозначим её через Pn(m1, m2, . . . , mk), того что в результате n подбрасываний
грань ω1 |
выпадет m1 |
раз, |
|
грань ω2 |
выпадет m2 |
раз, |
|
|
..., |
|
|
грань ωk выпадет mk раз? |
|
||
Заметим, что |
|
|
|
m1 + m2 + . . . + mk = n. |
( ) |
Ясно, что опыт N имеет пространство элементарных событий Ω, которое имеет конечное число элементарных событий равное числу неотрицательных решений уравнения ( ).
Пример 8.5. Асимметричный тетраэдр, грани которого обозначены ω1, ω2, ω3, ω4 подбрасывают 14 раз. Вероятности выпадения тетраэдра на эти
грани (т.е. гранью вниз) равны соответственно |
1 , |
1 , |
1 |
, |
1 |
(проверьте, что |
|||||||||||||||||
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
3 |
9 |
18 |
|
||||
21 + 31 + 91 + |
1 |
= 1). Найти вероятность P14(5, 3, 2, 2) того, что грани ω1, ω2, |
|||||||||||||||||||||
18 |
|||||||||||||||||||||||
ω3, ω4 выпадут соответственно 5, 3, 4, 2 раза. |
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
14! |
|
|
1 |
5 |
1 |
3 |
1 |
4 |
1 |
|
|
2 |
|
|
|
|
||
Ответ: P14(5, 3, 2, 2) = |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0, 00137. |
|||||||
5! 3! 4! 2! |
|
2 |
|
3 |
|
9 |
|
18 |
|
|
|
||||||||||||
Замечание 8.6. Известно, что биномом Ньютона называют формулу |
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
( |
|
) ( ) ( ) ( |
|
|
) |
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(p + q)n = |
|
Cnm pm qn−m, |
|
|
|
(bN) |
||||||||||||
|
|
|
|
|
|
|
|
|
|
m=0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
∑ |
|
|
|
|
|
|
|
|
|
|
|
|
|
где Cm = |
|
n! |
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
m!(n−m)! |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Обобщением бинома ньютона является следующая формула |
|||||||||||||||||||||||
(p1 + p2 + · · · + pk)n = |
|
|
|
|
|
|
|
|
n! |
|
|
|
|
p1m1 |
p2m2 . . . pkmk , (pN) |
||||||||
|
|
|
|
|
|
||||||||||||||||||
+m + ... +m |
=n |
m1! m2! . . . mk! |
|||||||||||||||||||||
|
|
|
|
m |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
1 |
2∑ k |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
где m1, m2, . . . , mk ≥ 0. Эта формула мы докажем как след. 8.10; по аналогии c (bN) будем назвать её полиномом Ньютона.
Лемма 8.7 (о сумме полиномиальных коэффициентов). Сумма полиномиальных коэффициентов равна kn, т.е.
|
|
n! |
|
|
|
|
= kn. |
|
|
|
|
+ ... +m |
|
m1! m2! . . . mk! |
|
=n |
|||
m1+m2∑ k |
|
|
|
34
![](/html/2706/177/html_lbKRoEtkaT.i5EC/htmlconvd-0e5YJe35x1.jpg)
Доказательство. Подставим в полином Ньютона p1 = p2 = · · · = pk = 1, получим требуемый результат.
Лемма 8.8 (о сумме полиномиальных вероятностей). Если p1 + p2 + · · ·+ pk = 1, то сумма членов в правой части полинома Ньютона равна единице,
т.е. |
|
n! |
|
|
|
|
|
|
|
||
|
|
|
pm1 |
pm2 |
. . . pmk = 1. |
|
|
|
|||
+ ... +m |
|
m1! m2! . . . mk! 1 |
2 |
k |
|
=n |
|
|
|||
m1+m2∑ k |
|
|
|
|
|
Доказательство. Подставим в полином Ньютона p1 + p2 + · · · + pk = 1, получим требуемый результат.
Теорема 8.9 (о повторных подбрасываниях многогранника). Для опыта, состоящего из n подбрасываний многогранника имеет место формула
|
n! |
|
|
|
Pn(m1, m2, . . . , mk) = |
|
p1m1 |
p2m2 |
. . . pkmk . |
|
||||
|
m1! m2! . . . mk! |
|
|
Доказательство. Рассмотрим один элементарный результат n кратного подбрасывания многогранника:
(ω1, ..., ω1 |
, ω2, ..., ω2 |
, . . . , ωk, ..., ωk). |
||||||||||||
| |
|
|
|
|
| |
|
|
|
|
| |
|
|
|
|
m1{zраз } |
m2{zраз } |
mk{zраз } |
Это один из благоприятных исходов: сначала событие ω1 произошло m1 раз, затем событие ω2 произошло m2 раз, ..., и, наконец, событие ωk произошло mk раз. Вероятность этого элементарного исхода равна pm1 1 pm2 2 . . . pmk k .
Все остальные благоприятные исходы отличаются лишь расположением событий из того же набора событий на n местах. Число таких исходов равно числу способов расставить на n местах m1 событий ω1, потом m2 событий ω2,
..., и, наконец, mk событий ωk. По теор. 1.3 и 1.6 это число равно
Cnm1 · Cnm−2m1 · Cnm−3m1−m2 · ... · Cnm−km1−m2−···−mk 1 =
= |
|
n! |
|
|
(n − m1)! |
|
|
(n − m1 − m2)! |
|
|
. . . |
(n − m1 − m2 − . . . − mk 1)! |
= |
||||||
m1 |
!(n − m1)! |
· m2!(n − m1 − m2)! · m3!(n − m1 − m2 − m3)! · |
|||||||||||||||||
|
|
· mk!(n − m1 − m2 − . . . − mk)! |
|
||||||||||||||||
|
|
|
|
|
n! |
1 |
|
1 |
1 |
|
|
|
|
n! |
|
||||
|
|
|
|
= |
|
· |
|
· |
|
· . . . · |
|
|
= |
|
. |
|
|||
|
|
|
|
m1! |
m2! |
m3! |
mk!0! |
m1! m2! . . . mk! |
|
Теперь ясно, откуда взялся ответ в прим. 8.5.
Следствие 8.10. Справедлива формула полинома Ньютона (pN), см. стр. 34.
35
![](/html/2706/177/html_lbKRoEtkaT.i5EC/htmlconvd-0e5YJe36x1.jpg)
Глава 2. ТЕОРИЯ СЛУЧАЙНЫХ ВЕЛИЧИН
§9. Случайные величины
Пусть (Ω, A, P) — произвольное вероятностное пространство. Определение 9.1. Функция ξ : Ω → R называется случайной величи-
ной на σ-алгебре событий A, если для любого числа x R прообраз луча ξ−1((−∞, x]) = {ω Ω ξ(ω) ≤ x} является событием из σ-алгебры A.
Замечание 9.2. 1) Самая простая функция ξ : Ω → R — это постоянная функция, заданная для любого ω Ω по формуле ξ(ω) = c. Она принимает одно значение и является не случайной, а детерминированной. Она рассмат-
ривается в теории вероятностей как частный тривиальный случай. |
|
2) Первая нетривиальная случайная величина (с Ω R1) |
задаётся |
с помощью тождественной функции ξ(ω) = ω. В этом случае |
событие |
ξ−1((−∞, x]) = {ω Ω ξ(ω) ≤ x} обозначают короче: {ξ ≤ x}.
3) Оказывается, что другие случайные величины (ξ(ω) ≠ ω) могут быть описаны через случайную величину ξ(ω) = ω. Это будет показано в § 12.
Определение 9.3. Функцией распределения случайной величины ξ называется функция Fξ : R → [0, 1], определённая по формуле
Fξ(x) = P(ξ ≤ x).
Очевидно, что 0 ≤ Fξ(x) ≤ 1.
Рис. 13: Функция распределения детерминированной величины.
Примеры 9.3.1. 1) Детерминированная (вырожденная случайная) величина ξ : Ω → R имеет пространство элементарных событий, состоящее из одного элементарного события, Ω = {ω}. Она принимает только одно значение ξ(ω) = c = const R с вероятностью равной 1, т.е. имеет ряд распределения
ξ |
c |
|
. Её функция распределения показана на рис. 13. |
P |
1 |
|
|
|
|
||
|
|
|
Случайная величина ξ, имеющая распределение Бернулли, и принима- |
|
2) |
|
ющая значения 1 (успех) и 0 (неудача) с вероятностями соответственно p и
36
![](/html/2706/177/html_lbKRoEtkaT.i5EC/htmlconvd-0e5YJe37x1.jpg)
1 − p, имеет ряд распределения |
ξ |
|
0 |
|
1 |
и имеет график, показанный |
|
|
|
|
|
||
P |
1 |
− |
p |
p |
||
на рис. 14. |
|
|
|
|
|
|
|
|
|
|
|
|
Рис. 14: Функция распределения Бернулли.
3) Случайная величина ξ — номер грани при подбрасывании игральной кости имеет функцию распределения, показанную на рис. 15.
Рис. 15: Функция распределения выпадения числа на игральной кости.
4) Случайная величина ξ — номер появления успеха в геометрическом рас-
пределения имеет ряд распределения |
ξ |
1 |
2 |
. . . |
k |
. . . |
и имеет |
|
|
|
|
|
|
|
|||
P |
p |
pq |
. . . |
pqk−1 |
. . . |
|||
|
|
функцию распределения, показанную на рис. 16.
В дальнейшем мы будем использовать следующие обозначения для пределов функций слева и справа соответственно:
lim h x |
− |
ε |
|
def |
|
|
и |
lim h(x + ε) |
def |
h(x + 0), |
|||||
) |
= h x |
= |
|||||||||||||
ε |
→ |
0 |
( |
|
|
( |
− 0) |
ε |
→ |
0 |
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
где всегда ε > 0.
Функция распределения Fξ(x) обладает следующими свойствами.
Теорема 9.4. 1) Fξ(x) — неубывающая функция, другими словами, если x1 < x2, то Fξ(x1) ≤ Fξ(x2).
2) Fξ(−∞) = x lim Fξ(x) = 0 |
и Fξ(+∞) = xlim Fξ(x) = 1. |
→−∞ |
→∞ |
37
![](/html/2706/177/html_lbKRoEtkaT.i5EC/htmlconvd-0e5YJe38x1.jpg)
Рис. 16: Функция геометрического распределения при p = 12 .
3) Fξ(x) непрерывна справа: для любой точки x0 R имеем Fξ(x0 + 0) =
Fξ(x0).
Доказательство. 1) По пп. |
9.2, 3.3 |
и |
3.1 имеем Fξ(x2) |
− Fξ(x1) = |
|||||||||
P(ξ ≤ x2) − P(ξ ≤ x1) = P({ξ ≤ x2} r {ξ ≤ x1)}) = P(x1 < ξ ≤ x2) ≥ 0. |
|||||||||||||
2) Fξ(−∞) = x lim Fξ(x) = x lim P(ξ ≤ x) = P(ξ ≤ −∞) = 0 и |
|||||||||||||
|
|
→−∞ |
|
→−∞ |
|
|
|
|
|
|
|
|
|
Fξ(+∞) = xlim Fξ(x) = xlim P(ξ ≤ x) = P(ξ ≤ ∞) = 1. |
|
|
|
||||||||||
3) |
ξ( |
→∞ |
|
→∞ |
|
|
≤ |
0 |
+ε) = P(ξ |
≤ |
0 |
|
ξ 0 . |
0 +0) = ε 0 ξ 0 |
|
ε 0 |
|
|
|||||||||
F |
x |
lim F (x |
+ε) = lim P(ξ |
|
x |
|
x |
) = F (x ) |
|||||
|
|
→ |
|
|
→ |
|
|
|
|
|
|
|
|
Теорема 9.5. (О связи вероятности событий-интервалов с функцией распределения.) Для любых точек x, a, b R, где a < b, имеем
1)P(ξ < x) = Fξ(x − 0),
2)P(ξ = x) = Fξ(x) − Fξ(x − 0),
3)если Fξ непрерывна в точке x, то P(ξ = x) = 0,
4)P(a < ξ ≤ b) = Fξ(b) − Fξ(a),
5)P(a ≤ ξ ≤ b) = Fξ(b) − Fξ(a − 0),
6)P(a < ξ < b) = Fξ(b − 0) − Fξ(a),
7)P(a ≤ ξ < b) = Fξ(b − 0) − Fξ(a − 0).
Доказательство. 1) P( |
ξ < x |
) = ε→0 |
≤ |
x |
− |
ε→0 ξ |
− |
ξ |
− . |
|
lim P(ξ |
|
|
ε) = lim F (x |
|
ε) = F (x |
0) |
2) P(ξ = x) = P({ξ ≤ x} r {ξ < x}) = P(ξ ≤ x) − P(ξ < x) = Fξ(x) − Fξ(x − 0).
3) P(ξ = x) = Fξ(x)−Fξ(x−0) = Fξ(x)−lim Fξ(x−ε) = Fξ(x)−Fξ(x) = 0.
ε→0
4) P(a < ξ ≤ b) = P ({ξ ≤ b} r {ξ ≤ a}) = P(ξ ≤ b) − P(ξ ≤ a) = Fξ(b) − Fξ(a).
5) — 7) доказать самостоятельно.
38
![](/html/2706/177/html_lbKRoEtkaT.i5EC/htmlconvd-0e5YJe39x1.jpg)
Следствие 9.6. Если функция распределения Fξ(x) непрерывна, то
P(a ≤ ξ < b) = P(a < ξ < b) = P(a ≤ ξ ≤ b) = P(a < ξ ≤ b) = Fξ(b) − Fξ(a).
§10. Абсолютно непрерывные случайные величины
Определение 10.1. Случайная величина ξ называется абсолютно непрерывной, если существует такая неотрицательная функция fξ(x) (возможно обобщённая, см. §11), что для любого x R функция распределения Fξ(x)
представима в виде 13
∫x
Fξ(x) = fξ(t)dt.
−∞
При этом функция fξ(x) называется плотностью вероятности случайной величины ξ
Замечание 10.2. Если Fξ(x) — дифференцируемая функция распределения, то название «плотность вероятности» имеет следующее объяснение. С одной стороны, используя формулу дифференцирования интеграла по верхнему пределу, имеем = fξ(t)|t=x = fξ(x). С другой стороны, по определению производной имеем:
dFξ(x) |
= |
Fξ(x + dx) − Fξ(x) |
= |
P(ξ ≤ x + dx) − P(ξ ≤ x) |
= |
|||
dx |
dx |
|
|
|
||||
|
|
|
|
dx |
|
|||
= |
P({ξ ≤ x + dx} r {ξ ≤ x}) |
= |
P(x < ξ ≤ x + dx) |
. |
|
|||
|
|
dx |
|
|
|
dx |
|
Поэтому
fξ(x) = P(x < ξ ≤ x + dx) dx
есть отношение вероятности попадания случайной величины ξ в интервал (x, x + dx] к длине этого интервала dx, что физически означает плотность вероятности («массы») случайной величины ξ в точке x.
Теорема 10.3. Плотность обладает свойствами:
1) fξ(x) ≥ 0 для любого x;
∞∫
2)fξ(t)dt = 1.
−∞
13В дальнейшем мы рассматриваем только такие случайные величины, для которых все связанные с ними несобственные интегралы и суммы бесконечных рядов сходятся абсолютно.
39
![](/html/2706/177/html_lbKRoEtkaT.i5EC/htmlconvd-0e5YJe40x1.jpg)
Доказательство. 1) По теор. 9.4.1) функция распределения Fξ(x) — неубы-
вающая, поэтому |
dFξ(x) |
= fξ(x) ≥ 0. |
||
dx |
||||
∫ |
|
|
∫ |
|
∞ |
|
|
x |
|
2) |
fξ(t)dt = lim |
|
fξ(t)dt = lim Fξ(x) = 1 по свойству 9.4.2). |
|
−∞ |
|
x→∞−∞ |
x→∞ |
Определение 10.4. Пусть область U Rn имеет меру µ(U). Говорят, что в области U функция h : U → R удовлетворяет некоторому свойству P почти всюду, если подмножество A U, в котором свойство P не выполняется, имеет меру 0, т.е. µ(A) = 0.
Докажем свойства абсолютно непрерывных случайных величин.
Теорема 10.5. Если случайная величина ξ абсолютно непрерывна, то
1)её функция распределения Fξ(x) непрерывна в R и дифференцируема почти всюду в R, т.е. равенство fξ(x) = dxd Fξ(x) справедливо почти всюду,
2)P(ξ = x) = 0 для любого x R,
|
b |
3) P(a ≤ ξ < b) = P(a < ξ < b) = P(a ≤ ξ ≤ b) = P(a < ξ ≤ b) = ∫a fξ(t)dt. |
|
|
x |
Доказательство. 1) Во-первых, функция Fξ(x) = |
fξ(t)dt непрерывна как |
функция верхнего предела интеграла. |
−∞ |
∫ |
Во-вторых, функция Fξ(x) имеет не более чем счётное множество скачков, поэтому она не дифференцируема не более чем в счётном множестве точек. Любое счётное множество точек на прямой имеет нулевую меру (длину). По-
этому Fξ(x) дифференцируема почти всюду в R. |
|
|
|||
2) |
Это следует из 9.5.3). |
|
|
|
|
3) |
Из 9.5.4) имеем |
b |
|
a |
b |
|
P(a < ξ ≤ b) = Fξ(b) − Fξ(a) = |
∫ |
fξ(t)dt − |
∫ |
fξ(t)dt = ∫ fξ(t)dt. |
|
|
−∞ |
|
−∞ |
a |
Остальные равенства следуют из 9.6.
Примеры абсолютно непрерывных случайных величин
Определение 10.6. Случайная величина ξ имеет равномерное распреде-
ление на отрезке a, b, если |
|
|
|
|
|
b |
|
|
|
|
|
|
||||||
Fξ(x) = P(ξ |
|
x) = |
|
0, |
|
x < a |
b |
и fξ(x) = |
0, |
|
x < a |
b . |
||||||
≤ |
xb−aa, a |
≤ |
x |
≤ |
1a, a |
≤ |
x |
≤ |
||||||||||
|
|
|
− |
|
|
|
|
|
|
− |
|
|
|
|||||
|
|
|
1, |
x > b |
|
|
0, |
x > b |
|
Графики функций Fξ(x) и fξ(x) показаны на рис. 17. Заметим, что в точках a и b функция распределения Fξ(x) не дифференцируема, поэтому
40